Submit Search
Upload
20200527 time series-anomaly_detection_at_microsoft
•
0 likes
•
60 views
H
hitoshim
Follow
異常検知がテーマの論文共有会で発表した資料です。
Read less
Read more
Technology
Report
Share
Report
Share
1 of 29
Download now
Download to read offline
Recommended
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
cvpaper. challenge
MIRU_Preview_JSAI2019
MIRU_Preview_JSAI2019
Takayoshi Yamashita
IEEE ITSS Nagoya Chapter
IEEE ITSS Nagoya Chapter
Takayoshi Yamashita
Online moving camera_background_subtraction
Online moving camera_background_subtraction
Daichi Suzuo
Muramatsu Bachelor Thesis
Muramatsu Bachelor Thesis
pflab
DeepLearningDay2016Summer
DeepLearningDay2016Summer
Takayoshi Yamashita
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Hideo Terada
動画像を用いた経路予測手法の分類
動画像を用いた経路予測手法の分類
Tsubasa Hirakawa
Recommended
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
cvpaper. challenge
MIRU_Preview_JSAI2019
MIRU_Preview_JSAI2019
Takayoshi Yamashita
IEEE ITSS Nagoya Chapter
IEEE ITSS Nagoya Chapter
Takayoshi Yamashita
Online moving camera_background_subtraction
Online moving camera_background_subtraction
Daichi Suzuo
Muramatsu Bachelor Thesis
Muramatsu Bachelor Thesis
pflab
DeepLearningDay2016Summer
DeepLearningDay2016Summer
Takayoshi Yamashita
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Hideo Terada
動画像を用いた経路予測手法の分類
動画像を用いた経路予測手法の分類
Tsubasa Hirakawa
最新事例紹介資料 異常検知(2018.08.24)
最新事例紹介資料 異常検知(2018.08.24)
Shunsuke NAKATSUKA
2016年2月4日 空間OSのためのビッグデータ技術基盤
2016年2月4日 空間OSのためのビッグデータ技術基盤
aitc_jp
分散システムの耐災害性・耐障害性の検証・評価・反映を行うプラットフォームの設計
分散システムの耐災害性・耐障害性の検証・評価・反映を行うプラットフォームの設計
Hiroki Kashiwazaki
動画認識サーベイv1(メタサーベイ )
動画認識サーベイv1(メタサーベイ )
cvpaper. challenge
【チュートリアル】コンピュータビジョンによる動画認識 v2
【チュートリアル】コンピュータビジョンによる動画認識 v2
Hirokatsu Kataoka
監視映像システムのための複数センサを活用したイベントドリブン型適応レート制御の性能評価
監視映像システムのための複数センサを活用したイベントドリブン型適応レート制御の性能評価
Keigo Ogawa
R-CNNの原理とここ数年の流れ
R-CNNの原理とここ数年の流れ
Kazuki Motohashi
物体検出エラーの分析ツール TIDE
物体検出エラーの分析ツール TIDE
GuoqingLiu9
Nodeとフロントエンド − 知っておかなければならない、今と未来の話 −
Nodeとフロントエンド − 知っておかなければならない、今と未来の話 −
Kohei Asai
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Preferred Networks
コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況
cvpaper. challenge
Survey on Unsupervised Domain Adaptation for DETR.pptx
Survey on Unsupervised Domain Adaptation for DETR.pptx
Kaito Sugiyama
Overview and Roadmap
Overview and Roadmap
JubatusOfficial
TPNet: Trajectory Proposal Network for Motion Prediction
TPNet: Trajectory Proposal Network for Motion Prediction
Yuma Shinohara
SSD: Single Shot MultiBox Detector (ECCV2016)
SSD: Single Shot MultiBox Detector (ECCV2016)
Takanori Ogata
最新研究紹介資料(異常検知)
最新研究紹介資料(異常検知)
Shunsuke NAKATSUKA
20190804_icml_kyoto
20190804_icml_kyoto
Takayoshi Yamashita
Earthquake visualization - ABC2012 Tohuku
Earthquake visualization - ABC2012 Tohuku
Kenichi Kurimoto
B3スタートアップ コンピュータビジョンの現在と未来にやるべきこと(東京電機大学講演)
B3スタートアップ コンピュータビジョンの現在と未来にやるべきこと(東京電機大学講演)
cvpaper. challenge
20210525 grass roots_ml_design_patterns_heuristic_benchmark
20210525 grass roots_ml_design_patterns_heuristic_benchmark
hitoshim
20210518 grass roots_ml_design_patterns_windowed_inference
20210518 grass roots_ml_design_patterns_windowed_inference
hitoshim
More Related Content
Similar to 20200527 time series-anomaly_detection_at_microsoft
最新事例紹介資料 異常検知(2018.08.24)
最新事例紹介資料 異常検知(2018.08.24)
Shunsuke NAKATSUKA
2016年2月4日 空間OSのためのビッグデータ技術基盤
2016年2月4日 空間OSのためのビッグデータ技術基盤
aitc_jp
分散システムの耐災害性・耐障害性の検証・評価・反映を行うプラットフォームの設計
分散システムの耐災害性・耐障害性の検証・評価・反映を行うプラットフォームの設計
Hiroki Kashiwazaki
動画認識サーベイv1(メタサーベイ )
動画認識サーベイv1(メタサーベイ )
cvpaper. challenge
【チュートリアル】コンピュータビジョンによる動画認識 v2
【チュートリアル】コンピュータビジョンによる動画認識 v2
Hirokatsu Kataoka
監視映像システムのための複数センサを活用したイベントドリブン型適応レート制御の性能評価
監視映像システムのための複数センサを活用したイベントドリブン型適応レート制御の性能評価
Keigo Ogawa
R-CNNの原理とここ数年の流れ
R-CNNの原理とここ数年の流れ
Kazuki Motohashi
物体検出エラーの分析ツール TIDE
物体検出エラーの分析ツール TIDE
GuoqingLiu9
Nodeとフロントエンド − 知っておかなければならない、今と未来の話 −
Nodeとフロントエンド − 知っておかなければならない、今と未来の話 −
Kohei Asai
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Preferred Networks
コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況
cvpaper. challenge
Survey on Unsupervised Domain Adaptation for DETR.pptx
Survey on Unsupervised Domain Adaptation for DETR.pptx
Kaito Sugiyama
Overview and Roadmap
Overview and Roadmap
JubatusOfficial
TPNet: Trajectory Proposal Network for Motion Prediction
TPNet: Trajectory Proposal Network for Motion Prediction
Yuma Shinohara
SSD: Single Shot MultiBox Detector (ECCV2016)
SSD: Single Shot MultiBox Detector (ECCV2016)
Takanori Ogata
最新研究紹介資料(異常検知)
最新研究紹介資料(異常検知)
Shunsuke NAKATSUKA
20190804_icml_kyoto
20190804_icml_kyoto
Takayoshi Yamashita
Earthquake visualization - ABC2012 Tohuku
Earthquake visualization - ABC2012 Tohuku
Kenichi Kurimoto
B3スタートアップ コンピュータビジョンの現在と未来にやるべきこと(東京電機大学講演)
B3スタートアップ コンピュータビジョンの現在と未来にやるべきこと(東京電機大学講演)
cvpaper. challenge
Similar to 20200527 time series-anomaly_detection_at_microsoft
(20)
最新事例紹介資料 異常検知(2018.08.24)
最新事例紹介資料 異常検知(2018.08.24)
2016年2月4日 空間OSのためのビッグデータ技術基盤
2016年2月4日 空間OSのためのビッグデータ技術基盤
分散システムの耐災害性・耐障害性の検証・評価・反映を行うプラットフォームの設計
分散システムの耐災害性・耐障害性の検証・評価・反映を行うプラットフォームの設計
動画認識サーベイv1(メタサーベイ )
動画認識サーベイv1(メタサーベイ )
【チュートリアル】コンピュータビジョンによる動画認識 v2
【チュートリアル】コンピュータビジョンによる動画認識 v2
監視映像システムのための複数センサを活用したイベントドリブン型適応レート制御の性能評価
監視映像システムのための複数センサを活用したイベントドリブン型適応レート制御の性能評価
R-CNNの原理とここ数年の流れ
R-CNNの原理とここ数年の流れ
物体検出エラーの分析ツール TIDE
物体検出エラーの分析ツール TIDE
Nodeとフロントエンド − 知っておかなければならない、今と未来の話 −
Nodeとフロントエンド − 知っておかなければならない、今と未来の話 −
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況
Survey on Unsupervised Domain Adaptation for DETR.pptx
Survey on Unsupervised Domain Adaptation for DETR.pptx
Overview and Roadmap
Overview and Roadmap
TPNet: Trajectory Proposal Network for Motion Prediction
TPNet: Trajectory Proposal Network for Motion Prediction
SSD: Single Shot MultiBox Detector (ECCV2016)
SSD: Single Shot MultiBox Detector (ECCV2016)
最新研究紹介資料(異常検知)
最新研究紹介資料(異常検知)
20190804_icml_kyoto
20190804_icml_kyoto
Earthquake visualization - ABC2012 Tohuku
Earthquake visualization - ABC2012 Tohuku
B3スタートアップ コンピュータビジョンの現在と未来にやるべきこと(東京電機大学講演)
B3スタートアップ コンピュータビジョンの現在と未来にやるべきこと(東京電機大学講演)
More from hitoshim
20210525 grass roots_ml_design_patterns_heuristic_benchmark
20210525 grass roots_ml_design_patterns_heuristic_benchmark
hitoshim
20210518 grass roots_ml_design_patterns_windowed_inference
20210518 grass roots_ml_design_patterns_windowed_inference
hitoshim
20210511 grass roots_ml_design_patterns_two_phase_predictions
20210511 grass roots_ml_design_patterns_two_phase_predictions
hitoshim
20210427 grass roots_ml_design_patterns_hyperparameter_tuning
20210427 grass roots_ml_design_patterns_hyperparameter_tuning
hitoshim
20210420 ml design_patterns_rebalancing
20210420 ml design_patterns_rebalancing
hitoshim
20210413 ml design_patterns_multimodal_inputs.pptx
20210413 ml design_patterns_multimodal_inputs.pptx
hitoshim
More from hitoshim
(6)
20210525 grass roots_ml_design_patterns_heuristic_benchmark
20210525 grass roots_ml_design_patterns_heuristic_benchmark
20210518 grass roots_ml_design_patterns_windowed_inference
20210518 grass roots_ml_design_patterns_windowed_inference
20210511 grass roots_ml_design_patterns_two_phase_predictions
20210511 grass roots_ml_design_patterns_two_phase_predictions
20210427 grass roots_ml_design_patterns_hyperparameter_tuning
20210427 grass roots_ml_design_patterns_hyperparameter_tuning
20210420 ml design_patterns_rebalancing
20210420 ml design_patterns_rebalancing
20210413 ml design_patterns_multimodal_inputs.pptx
20210413 ml design_patterns_multimodal_inputs.pptx
20200527 time series-anomaly_detection_at_microsoft
1.
「Time-Series Anomaly Detection Service
at Microsoft」 2020.5.27 論文共有会 mukai
2.
はじめに ¨ IoT のシステム開発 ¤
高精度 GNSS(=GPS) による地盤の動態監視 ¤ 時系列データの異常検知 n ○○ mm/day,week
3.
本日共有する論文 ¨ 「Time-Series Anomaly
Detection Service at Microsoft」 ¤ Hansheng Ren et.al. ¤ KDD2019 ¤ a full-time intern at Microsoft, Beijing, China
4.
Summary ¨ 時系列データに対する異常検知 ¨ Saliency(顕著性)≒Anomaly(異常) ¨
原信号→Saliency Map(Spectral Residual)→1D-CNN
5.
6.
7.
Anomaly Detector API https://azure.microsoft.com/ja-jp/services/cognitive-services/anomaly-detector/
8.
Anomaly Detector API
9.
10.
時系列データの異常検知 ¨ スライド窓 * ¤ 窓の幅より昔は忘れる ¨
状態空間モデル ¤ 状態を逐次更新することで過去を引き継ぐ ¨ etc. ¨ 距離ベース ¤ 過去データとの最短距離 ¨ 周波数ベース * ¤ 高周波は異常 ¨ 予測ベース ¤ 過去からの予測(自己回帰)との差異 ¨ 変化点検知 ¤ ある時点を境にした過去と未来の類似度比較 ¨ etc. 時間方向の扱い方 異常の捉え方 * 今回の論文の位置付け (個人的解釈)
11.
Methodology ¨ 問題設定(入力と出力)
12.
Methodology ¨ アプローチ
13.
SR(Spectral Residual) ¨ 「Saliency
Detection: A Spectral Residual Approach」 ¤ Xiaodi Hou et.al. ¤ CVPR2007 論文著者:自動運転トラックのスタートアップ「TuSimple」の Co-founder
14.
SR(Spectral Residual) 自然画像の周波数成分(全方向平均)を対数で見ると どの画像も傾向が似ている。
15.
SR(Spectral Residual) i 平滑化 差分 log(FFT) 周波数成分の対数値を平滑化したものを背景成分とみなす(近似)。 それとの差分を取ったものが注目オブジェクト成分。
16.
SR(Spectral Residual) log spectrum の高域成分を抽出しているだけの シンプルな処理
17.
1次元の SR を時系列データに適用 単純な閾値処理で異常が検出ができるようになる。 シンプルな処理のため高速に実行できる(=同時に多数のリクエストを処理できる)。 図(再掲)
18.
SR-CNN 閾値処理はナイーブ。1次元の CNN で置き換える。 図(再掲) w スライド窓で処理
19.
SR-CNN ¨ 学習 ¤ SR
変換した時系列データに対して、ランダムに点を 選んで異常値で置き換えた人工データを生成し学習 n Microsoft にある実データ(production time-series) n 65 million points for training n Cross entropy for loss function、SGD optimizer
20.
Experiments KPI: Data Competition(AIOPS)のもの。1分1点のデータ。 Yahoo: Yahoo Lab によるオープンデータ。1時間1点のデータ。 Microsoft: Microsoft の社内データ。1日1点のデータ。
21.
Experiments FFT, Twitter-AD, Luminol はいずれも additional data が不要。 データを全てテストデータとして使用(cold-start)。 Twitter-AD: Twitter Anomaly Detection https://github.com/twitter/AnomalyDetection Luminol: LinkedIn Anomaly Detection https://github.com/linkedin/luminol
22.
Experiments SPOT, DSPOT, DONUT はいずれも additional data で事前に 学習が必要。データを半分にわけて学習とテストに用いた。
23.
Experiments
24.
SR + DNN ¨
DNN ¤ Dense Layer (≠Conv.) ¤ Data Competition AIOPS の Champion model CNN を DNN に置き換えたもう一つの検討
25.
SR + DNN ¨
SR を1特徴量として、他の特徴量と併せて入力 ¤ (SR+CNNでは、SRしか入力として使えなかった)
26.
SR+DNN SR 特徴量の付加により 1.6 % の性能向上
27.
Conclusion and Future
Work
28.
感想 ¨ Saliency ≒
Anomaly という発想は面白い ¨ Saliency 処理が思った以上にシンプル ¤ (本当に!?という気もするが…)テクニックとしては使えそう ¤ Vanilla CNN と CNN+SR の差を知りたい ¨ 精度は 5〜7 割ではまだまだな気が… ¤ 狼少年なところもあると思うが正式サービスとして公開されているのが すごい。性能よりもアピールが大事なのかも。 ¨ 基本的には周波数ベース ¤ じわじわ進行するタイプの異常の検知は難しそう ¨ スライド窓の幅や平滑化強度などハイパーパラメータも微妙にある
29.
補足
Download now